图切换动力系统
计算机视觉与模式识别
2023-06-02 v1 机器学习
多智能体系统
动力系统
摘要
具有复杂行为的动力系统，例如免疫系统细胞与病原体的相互作用，通常通过将行为划分为不同状态（或模式）来建模，每种状态具有较简单的动力学，然后从时间序列数据中学习从一种模式到另一种模式的切换行为。切换动力系统（SDS）是一种强大的工具，可自动从时间序列数据中发现这些模式及模式切换行为。尽管有效，这些方法关注独立对象，其中一个对象的模式与其他对象的模式无关。在本文中，我们关注切换动力系统更一般的交互对象设定，其中每个对象的动力学还依赖于其他对象及其模式的未知且动态变化的子集。为此，我们提出一种新颖的基于图的切换动力系统方法，即图切换动力系统（GRASS），其中我们使用动态图来刻画对象间的交互，并学习对象内与对象间的模式切换行为。我们为该设定引入两个新数据集：一个合成的由常微分方程驱动的粒子数据集和一个真实的萨尔萨双人舞数据集。实验表明，GRASS 能够持续优于先前的最先进方法。
引用
@article{arxiv.2306.00370,
title = {Graph Switching Dynamical Systems},
author = {Yongtuo Liu and Sara Magliacane and Miltiadis Kofinas and Efstratios Gavves},
journal= {arXiv preprint arXiv:2306.00370},
year = {2023}
}
备注
ICML 2023